Avances en la estimación personalizada de dosis en tomografía computarizada: una revisión de modelos computacionales y aprendizaje automático

La tomografía computarizada (TC) es una herramienta esencial en el diagnóstico médico; sin embargo, el uso de radiaciones ionizantes exige optimizar la dosis para garantizar la seguridad del paciente sin afectar la calidad diagnóstica. La dosimetría basada en métricas genéricas ha impulsado el desarrollo de estimaciones personalizadas de dosis mediante modelos computacionales y técnicas de aprendizaje automático. Este trabajo aborda la protección radiológica en TC mediante revisión sistemática sobre el desarrollo, validación y aplicación de modelos computacionales para la estimación personalizada de dosis. El marco teórico se basa en modelos anatómicos, simulaciones Monte Carlo y algoritmos de aprendizaje automático capaces de predecir métricas dosimétricas como CTDIvol, DLP y dosis en órganos, incorporando características específicas del paciente. Estos enfoques permiten superar las estimaciones convencionales y optimizar los parámetros de adquisición. La metodología incluyó el análisis de los modelos dosimétricos y sus técnicas de validación, mediante la comparación con mediciones físicas y clínicas y la evaluación de la precisión mediante métricas de error. Los resultados reportados en la literatura evidencian la viabilidad de estos modelos para dar estimaciones de dosis más precisas, contribuyendo a la reducción de la exposición radiológica y a mejorar la calidad de imagen. No obstante, persisten limitaciones, como la dependencia de la calidad de los datos de entrada, la necesidad de validación prospectiva y los desafíos asociados a su implementación clínica. En conclusión, esta revisión destaca el potencial de las herramientas computacionales y del aprendizaje automático para optimizar los protocolos de TC y mejorar la seguridad del paciente con una dosificación personalizada.